理想的Java庫，用於清理html和轉義格式錯誤的片段

Question

我有一些需要解析和清理的HTML文件，它們偶爾會有包含<，>，“等特殊字符的內容，這些內容尚未被正確轉義。

我已經嘗試通過jTidy運行文件，但我能做的最好的事情就是省略它看作格式錯誤的html的內容。 是否有一個不同的庫可以逃脫畸形的片段而不是省略它們？ 如果沒有，關於哪個庫最容易修改的任何建議？

澄清：

樣本輸入：<p> blah blah <M + 1> blah </ p>

期望的輸出：<p> blah blah＆lt; M + 1＆gt; 哇</ p>

Answer 1

您也可以嘗試TagSoup 。 TagSoup會發出常規的舊SAX事件，因此最終會得到一個結構良好的XML文檔。

我對TagSoup運氣很好，我總是驚訝於它處理構造不良的HTML文件的能力。

Answer 2

最后，我通過首先運行正則表達式和未修改的TagSoup秒來解決這個問題。

這是我的正則表達式代碼，用於轉義<M+1>等未知標記

private static String escapeUnknownTags(String input) {
    Scanner scan = new Scanner(input);

    StringBuilder builder = new StringBuilder();

    while (scan.hasNext()) {

        String s = scan.findWithinHorizon("[^<]*</?[^<>]*>?", 1000000);

        if (s == null) {
            builder.append(escape(scan.next(".*")));
        } else {

            processMatch(s, builder);
        }

    }

    return builder.toString();
}

private static void processMatch(String s, StringBuilder builder) {

    if (!isKnown(s)) {
        String escaped = escape(s);

        builder.append(escaped);
    }
    else {
        builder.append(s);
    }

}

private static String escape(String s) {
    s = s.replaceAll("<", "&lt;");
    s = s.replaceAll(">", "&gt;");
    return s;
}

private static boolean isKnown(String s) {
    Scanner scan = new Scanner(s);
    if (scan.findWithinHorizon("[^<]*</?([^<> ]*)[^<>]*>?", 10000) == null) {

        return false;
    }

    MatchResult mr = scan.match();

    try {

        String tag = mr.group(1).toLowerCase();

        if (HTML.getTag(tag) != null) {
            return true;
        }
    }
    catch (Exception e) {
        // Should never happen
        e.printStackTrace();
    }

    return false;
}

Answer 3

HTML清潔工

HtmlCleaner是用Java編寫的開源HTML解析器。 在Web上找到的HTML通常很臟，格式不正確，不適合進一步處理。 對於任何嚴重消費此類文件，有必要首先清理混亂並將訂單帶到標簽，屬性和普通文本。 對於給定的HTML文檔，HtmlCleaner重新排序單個元素並生成格式良好的XML。 默認情況下，它遵循大多數Web瀏覽器用於創建文檔對象模型的類似規則。 但是，用戶可以為標簽過濾和平衡提供自定義標簽和規則集。

Answer 4

好的，我懷疑是這個。 使用以下代碼，它會有所幫助。

javax.swing.text.html.HTML